發(fā)布時間：2022-11-12 07:55

　　隨著信息技術的發(fā)展,龐大的圖像數(shù)據(jù)量和嚴峻的資源限制給多媒體領域的發(fā)展帶來了巨大的挑戰(zhàn)。圖像壓縮技術可以減少圖像數(shù)據(jù)中的冗余信息,從而降低存儲和傳輸?shù)膲毫�。近年�?深度學習在計算機視覺領域的應用起廣泛關注,利用神經(jīng)網(wǎng)絡來提取圖像的深層特征,在圖像分類、目標檢測和圖像超分辨等應用領域都取得了突破性的研究成果,然而深度學習在圖像壓縮領域仍處于初步研究階段,已有的一些研究表明其存在巨大的研究潛力和價值。本文以生成式對抗網(wǎng)絡為基礎,針對損失函數(shù)的設計、復原圖像質(zhì)量的綜合評測以及現(xiàn)有算法中存在的數(shù)據(jù)依賴等問題展開討論,本文主要的研究內(nèi)容和創(chuàng)新性工作包括如下:1)針對生成式壓縮算法中存在的數(shù)據(jù)依賴性問題,提出了一種基于譜歸一化的改進方法,通過分析判別器的優(yōu)化空間,闡述了改進判別器的設計思路并分析改進所需的約束條件。實驗結(jié)果驗證了本文提出的算法相比普通的生成式對抗網(wǎng)絡,在復原圖的多樣性和清晰度上均有明顯的提升。2)針對隨機生成的圖像和原始圖像差別較大的問題,提出了一種基于互信息最大化的改進方法,將壓縮數(shù)據(jù)和復原圖像之間的互信息作為附加的優(yōu)化目標,完成多類別圖像的壓縮。實驗結(jié)果展示了本算法在單類別圖像... 

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景和研究意義
        1.1.1 圖像壓縮的研究背景
        1.1.2 生成式圖像壓縮的研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)圖像壓縮算法研究現(xiàn)狀
        1.2.2 基于深度學習的圖像壓縮算法研究現(xiàn)狀
    1.3 本文的主要研究內(nèi)容和貢獻
    1.4 本文的章節(jié)結(jié)構(gòu)
第二章 圖像壓縮的基本原理和生成式圖像壓縮理論
    2.1 圖像壓縮算法的基本原理
        2.1.1 傳統(tǒng)圖像壓縮算法
        2.1.2 基于神經(jīng)網(wǎng)絡的圖像壓縮算法
    2.2 圖像的生成算法
        2.2.1 生成模型
        2.2.2 生成式對抗網(wǎng)絡
    2.3 生成式圖像壓縮理論
    2.4 小結(jié)
第三章 基于譜歸一化的多類別圖像生成
    3.1 引言
    3.2 生成式圖像壓縮算法框架
        3.2.1 基于GAN的圖像壓縮解壓過程
        3.2.2 基于GAN的重構(gòu)圖像質(zhì)量優(yōu)雅降級
    3.3 生成式圖像解碼的判別過程分析
        3.3.1 圖像解碼中判別目標的分析
        3.3.2 優(yōu)化判別函數(shù)空間的設計思路
        3.3.3 優(yōu)化判別器的約束條件
    3.4 基于譜歸一化的生成式圖像解碼的實現(xiàn)
        3.4.1 判別器穩(wěn)定性約束的譜歸一化實現(xiàn)
        3.4.2 生成式解碼的圖像質(zhì)量測評指標
    3.5 實驗結(jié)果及分析
        3.5.1 測試數(shù)據(jù)
        3.5.2 參數(shù)設置
        3.5.3 圖像質(zhì)量測評
    3.6 小結(jié)
第四章 基于互信息最大化的多類別生成式壓縮
    4.1 引言
    4.2 基于互信息最大化的生成式解碼過程
        4.2.1 基于互信息最大化的解碼模型
        4.2.2 基于互信息的優(yōu)化目標
        4.2.3 多類別圖像的生成式壓縮
    4.3 損失函數(shù)
        4.3.1 像素級損失函數(shù)
        4.3.2 基于特征提取的混合型損失函數(shù)
    4.4 復原圖像質(zhì)量測評指標
        4.4.1 主觀評測
        4.4.2 客觀評測
        4.4.3 綜合評測
    4.5 實驗結(jié)果及分析
        4.5.1 測試數(shù)據(jù)
        4.5.2 不同損失函數(shù)對實驗的影響分析
        4.5.3 復原圖像質(zhì)量分析
    4.6 小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]圖像壓縮方法分類及其評價[J]. 張霞.  泰山學院學報. 2018(03)
[2]數(shù)字圖像壓縮技術的現(xiàn)狀及發(fā)展前景[J]. 陳少鋒.  電腦知識與技術. 2016(21)

碩士論文
[1]基于稀疏表示的單幀圖像超分辨率重建算法研究[D]. 阮肇夏.西安電子科技大學 2018
[2]基于深度學習的圖像壓縮方法研究[D]. 任杰.哈爾濱工業(yè)大學 2017
[3]基于小波的感興趣區(qū)域編碼理論及技術[D]. 郭武.中國人民解放軍國防科學技術大學 2002



本文編號：3705991